PCB 博客 | 如何使用人工智能优化你的供电网络

来源:Cadence楷登 电路设计 78 次阅读
摘要:现代供电网络(PDN)设计面临诸多挑战。传统上,设计人员依赖目标阻抗分析——这是确保电源完整性(PI)的一种广泛使用且有效的起点。尽管其简洁性和历史上的成功使其颇具吸引力,但在当今的高速、高密度系统中,随着晶体管开关速度加快和电流需求增加,其局限性正变得愈发明显。 Cadence 产品工程师架构师 Jared James 在 EDI CON Online 2025 上展示了一种新方法,该方法采用同

现代供电网络(PDN)设计面临诸多挑战。传统上,设计人员依赖目标阻抗分析——这是确保电源完整性(PI)的一种广泛使用且有效的起点。尽管其简洁性和历史上的成功使其颇具吸引力,但在当今的高速、高密度系统中,随着晶体管开关速度加快和电流需求增加,其局限性正变得愈发明显。

Cadence 产品工程师架构师 Jared James 在 EDI CON Online 2025 上展示了一种新方法,该方法采用同时考虑成本和性能的目标函数。Cadence Optimality Intelligent System Explorer 与 Sigrity X SystemPI 相结合,用于确定去耦电容器 (decap) 值和空位的理想组合,以尽可能低的成本实现可接受的 PDN 性能。

传统目标阻抗分析

典型的目标阻抗流程遵循以下步骤:

  • 通过确定每条电源轨的核心电压和最大瞬态电流来定义电源要求,并设定可接受的电压纹波(通常为 3-5%)。

  • 计算目标阻抗:

  • 使用软件工具仿真 PDN 阻抗,模拟 PDN 在全频段的阻抗,并绘制阻抗-频率曲线。

  • 将目标阻抗线叠加在阻抗曲线上,与目标阻抗进行对比。

  • 优化去耦网络:调整电容值、数量和布局,增加低 ESL 电容以抑制高频噪声,使用大容量电容应对低频瞬态。

  • 重新仿真并迭代优化。

  • 通过时域仿真进行验证,并与电压纹波规格进行对比。

该流程存在若干局限性,包括对动态行为的过度简化、频率范围界定模糊、电容反谐振问题,以及成本和空间的权衡,这些都可能引发性能与实用性之间的矛盾。本文的重点是改进第 7 步中的验证环节。

Cadence Sigrity X SystemPI/Optimality Explorer 方法论

这种全新的 Cadence 方法学依托于 Sigrity X SystemPI,这是一个基于模型的拓扑环境,已适用于阻抗分析 (AC)、IR 压降分析 (DC) ,以及时域电源纹波和瞬态行为分析。 SystemPI 集成了来自芯片、中介层、封装和 PCB 的模型,而像 Voltus IC 电源完整性解决方案和 Clarity 3D Solver 这类提取工具则助力构建这些模型。

SystemPI 与 Optimality 引擎协同工作,该引擎采用了一种全新的强化学习技术,可显著减少所需的独立仿真次数,尤其适用于高维复杂的信号完整性/电源完整性( SI/PI )和射频( RF )综合应用。 Optimality 的核心优势在于效率:它通过有节制地评估目标函数来获得优化方案,让用户能更快地获得精准的电源完整性优化结果。

在该流程中,会基于各种设计参数(包括去耦电容模型及各位置的去耦电容数量)搭建 SystemPI 测试平台。仿真设置完成后,Optimality 通过运行有针对性仿真来探索整个设计空间。它会分析每一次仿真结果,根据预设的目标函数和约束条件更新设计变量,并迭代地优化模型。这一过程使 Optimality 能够有效地调整去耦电容值和约束条件,最终生成可用于签核(signoff)的优化设计方案。

Optimality 的主要优势是在于其效率:它仅需评估目标函数足够的次数,就能快速找到精确的优化结果,从而大幅度减少所需的仿真次数。这一点在高维度、复杂的设计空间中尤其具有价值。

测试案例演示

在 EDI CON 的演讲中展示了一个测试案例,用以说明 SystemPI 和 Optimality 如何协同工作,从而简化 PDN 设计。为了在 SystemPI 流程中演示 Optimality 引擎的效果,创建了一个测试案例,通过时域仿真来优化多个去耦电容位置的电容值。该案例的目标函数是同时最小化初始下冲(undershoot)和所需去耦电容的数量。下图展示了该测试案例的设置。

在给定的可选去耦电容值列表中,找到能在芯片 1A 电流阶跃下产生最低下冲的去耦电容值。仿真结果显示,所需去耦电容数量减少,同时下冲性能优于 5% (50mV) 的规范要求。

下图展示了仿真结果。每一个向下的台阶代表一次新的仿真,其目标函数值低于之前的最佳值。虽然图中仅显示了更新点,但如有需要,也可展示中间仿真过程。前约 57 次仿真为随机运行,目的是构建多样化的样本空间,这一阶段被称为探索阶段。大约在第 58 次仿真时,算法开始在探索与利用之间取得平衡,并根据先前的结果优化其搜索方向。从这一点开始,Optimality 会迭代执行仿真、更新模型并调整设计参数,直到达到最大 200 次仿真限制,或找到最优解。在本案例中,该过程在仿真次数达到 140 次模拟之前就已完成并得出结论。

下图比较了两种情况:红色曲线表示最坏情况,所有去耦电容位置都留空,而绿色曲线显示优化结果。如您所见,与基线相比,优化设计显著降低了功率纹波。虽然我们的主要测量重点是初始下冲,但该工具可以轻松配置为针对其他指标,例如最小化超出初始瞬态的纹波,具体取决于设计目标。

结论

优化后的结果不仅满足了 50mV 下冲的规格要求,还将去耦电容的数量减少了 4 个。在第 96 次仿真时,电源纹波控制在了 18mV 以下,同时有 4 个去耦电容位置保持空置,这充分证明了该方案在性能和成本节约上的双重优势。在超过 2 万亿种可能的组合中,仅用不到 200 次仿真即可实现这一结果,凸显了 Optimality 引擎的高效性和有效性。

相关推荐
评论区

登录后即可参与讨论

立即登录